广州润普 RUNPU · GRID AI
01 能源情报分析 02 工程知识图谱 03 安全生产警示 04 小世界模型调度 05 黑灯工厂产线

案例 05 / 应用开发

因果拓扑 数字孪生 故障自愈 智能排产

黑灯工厂 · AI 托管产线

电能表检定线已实现自动化,但异常处置仍然靠人。要走向「无人化黑灯生产」,需要模型自愈与提前感知——关键不是换设备,而是把人的经验变成可推演的模型。从「局部黑灯」到「全域黑灯」,这是一条可以验收的路径。

STEP 01

拓扑数字化

把产线拆成几百到几万个微观节点

STEP 02

因果建模

不猜概率、只算因果的轻量化网络

STEP 03

黑箱优化

半可微分优化解决产能与故障预防

STEP 04

故障自愈

异常自判、方案自推、处置自执行

15 → 3 min
托盘卡阻处置时长
10 → 7 天
一批电表检定周期
15 → 2 min
扫码失败自愈,人力介入 0
电能表检定线上的工业机器人与自动搬运托盘
FIELD / 检定线现场

柔性线 + 工控 / MES 已经实现了自动化,最后一段「异常处置」仍在等人。

现状

自动化,但还不能无人化

国网电能表检定中心:柔性线 + 工控 / MES 已实现自动化,但现场仍无法无人化——人员主要处理系统上报的各类异常与故障。

方案

用「小世界模型」建数字工厂

对设备连接拓扑结构做数字化建模,基于产线运行数据做因果学习,构建可推演的产线数字孪生体。

成果

三个场景已经跑通

动态工单调度、智能排期与产能优化、专机设备体检报告与状态监控已落地;异常检测、故障追溯、反事实推演即将上线。

「无人化的最后一公里,不是换设备,而是把『人盯产线』换成『模型自愈』——异常由模型判断、方案由模型推演、处置由设备执行。」

案例 05 · 项目复盘

数字工厂

把产线变成可计算的拓扑

对产线设施、资产容器与专机做拓扑结构与运转逻辑建模,再用运行数据训练出「产线小世界模型」。

① 拓扑结构数字化

把流水线转成数学拓扑

按需分解为几百、几千或几万个微观节点。

② 数据基础

只取自产线,不外采

传感器数据、执行器数据、维护日志、故障记录。

③ 因果学习

不猜概率、只算因果

支持流程仿真、异常检测、故障追溯与反事实推演。

④ 产线小世界模型

一台设备、一次搬运都是节点

把物理过程转换成 AI 易懂的形式。

这条路径的价值在于「工程量确定」:建模边界清晰、数据全部来自现场,实施风险可被逐级收敛。

S01 数字孪生:产线设备、工位与运行指标在同一个三维场景里对齐

三个跑通的场景

人的经验,正在被写成可推演的模型

每一个场景都从「现在怎么处理」和「模型怎么处理」两条链路对照着看,改造点才清楚。

场景一 · 托盘卡阻处置

15 MIN → 3 MIN

传统处置链路

  • 高阶报警
  • 翻历史库
  • 肉眼研判
  • 人工到场
  • 传感器只能提示「前方堵车」,无法追溯托盘与电表在过去数十道工序节点中的经历

模型方案链路

  • 微观因果节点
  • 秒级追溯
  • 反事实推演
  • 自动研判
  • 大模型仅做转译,生成大白话处置建议

结果:总处置时长从 15 分钟降至 3 分钟,人员到场即修,流水线陪跑时间显著压缩。

场景二 · 扫码失败自愈

15 MIN → 2 MIN · 0 人介入

传统现况

「查无此表」导致停机

无法读取上一道工序合格 specs,系统报错停机;调记录、人肉搬运、送回上游重扫——人力介入 + 全线等待,约 15 分钟。

自愈流程

虚拟替身推演后自动移动

扫码失败 → 虚拟替身推演 → 自动移动:移回上游、重新扫码入线。通过「半可微分黑箱优化」建立可微分虚拟替身(Differentiable Surrogate Model),高频调用黑盒优化算法生成并执行反馈动作。

结果:2 分钟自动化解,0 人介入。

场景三 · 智能排产

10 DAYS → 7 DAYS
  • 约束 设备 · 工序 · 交期 · 人员
  • 目标 批次总工期最短、换线最少
  • 结果 一批电表的检定 10 天 → 7 天

排产不是求一个「看起来最优」的解,而是在真实约束下给出能执行的班次计划。

S02 检定排程:按检定仓 × 班次排出任务块,右侧列出已排任务与分数

技术路径

四级演进:从拓扑到交互

先数字化、再因果建模、再优化、最后接交互。不玩学术概念,按原始材料表述:这条路径已在实际项目中得到验证,工程量高度确定。

0 / 拓扑数字化

把物理流水线变成数学拓扑

按需分解为几百、几千或几万个微观节点,工程量高度确定。

1 / 因果轻量化拓扑网络

不猜概率、只算因果

接入传感器、执行器数据与维护日志,支持流程仿真、异常检测、故障追溯与反事实推演。

2 / 半可微分黑箱优化

可微分替身 + 目标评价函数

高频调用低频反馈,专门解决产能优化与故障预防。

3 / 标准化模型接口

接大模型,只做交互改良

支持通用大语言模型接口与 MCP,只负责产生人类可理解的信息。

技术选择

这条曲线不是营销概念,是坐标系

成本不是单调的:左侧靠人力硬编码,右侧靠大参数模型,真正的底部在「小世界模型 + 半可微分优化」。

S03 成本微笑曲线:左侧机理硬编码、右侧大参数模型,底部是成本与泛化能力的交点

左侧 / 机理硬编码

设备改造与软件开发人力开销大——知识无法迁移,换个场景重做一遍。

右侧 / 大参数模型

数据与算力开销大——泛化能力强,但无法理解具体场景的因果。

底部 / 混合路线

小世界模型 + 半可微分优化:泛化能力与人力成本的交点,人少、算力省、可迁移。

经验迁移:从一条产线到数字产线

TRANSFER

一条产线跑通之后,迁移的不是代码,而是「建模方法 + 因果引擎 + 优化框架」这一套底层能力。

已验证

电表检定线

硬核场景验证:最难的场景先跑通。

第一步

重新映射

把新的物理产线映射为可计算拓扑。

第二步

复用底层引擎

因果推断 + 黑箱优化,参数化复用。

可迁移目标

汽车零部件装配 / 电子元器件检测 / 食品包装流水线

同一套引擎,换的是拓扑与数据。

「不搞大模型崇拜,也不做过时的硬编码苦力;守住『微笑曲线』的黄金底部——用合理的算力与人力成本,换最抗造的自愈与优化能力。」

案例 05 · 项目复盘